InfiniDepth: Willekeurige Resolutie en Fijnmazige Diepteschatting met Neurale Impliciete Velden

InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields

January 6, 2026

Auteurs: Hao Yu, Haotong Lin, Jiawei Wang, Jiaxin Li, Yida Wang, Xueyang Zhang, Yue Wang, Xiaowei Zhou, Ruizhen Hu, Sida Peng

cs.AI

Samenvatting

Bestaande methoden voor diepteschatting zijn fundamenteel beperkt tot het voorspellen van diepte op discrete beeldrasters. Dergelijke representaties beperken hun schaalbaarheid naar willekeurige uitvoerresoluties en belemmeren het herstel van geometrische details. Dit artikel introduceert InfiniDepth, dat diepte representeert als neurale impliciete velden. Door middel van een eenvoudige maar effectieve lokale impliciete decoder kunnen we diepte opvragen bij continue 2D-coördinaten, wat willekeurige-resolutie en fijnmazige diepteschatting mogelijk maakt. Om de capaciteiten van onze methode beter te beoordelen, hebben we een hoogwaardige 4K synthetische benchmark samengesteld uit vijf verschillende games, die diverse scènes omspant met rijke geometrische en uiterlijke details. Uitgebreide experimenten tonen aan dat InfiniDepth state-of-the-art prestaties bereikt op zowel synthetische als real-world benchmarks voor relatieve en metrieke diepteschatting, waarbij het vooral uitblinkt in gebieden met fijne details. Het methode komt ook ten goede aan de taak van novel view synthesis bij grote viewpoint-verschuivingen, en produceert hoogwaardige resultaten met minder gaten en artefacten.

English

Existing depth estimation methods are fundamentally limited to predicting depth on discrete image grids. Such representations restrict their scalability to arbitrary output resolutions and hinder the geometric detail recovery. This paper introduces InfiniDepth, which represents depth as neural implicit fields. Through a simple yet effective local implicit decoder, we can query depth at continuous 2D coordinates, enabling arbitrary-resolution and fine-grained depth estimation. To better assess our method's capabilities, we curate a high-quality 4K synthetic benchmark from five different games, spanning diverse scenes with rich geometric and appearance details. Extensive experiments demonstrate that InfiniDepth achieves state-of-the-art performance on both synthetic and real-world benchmarks across relative and metric depth estimation tasks, particularly excelling in fine-detail regions. It also benefits the task of novel view synthesis under large viewpoint shifts, producing high-quality results with fewer holes and artifacts.